基于计算机视觉的目标方位测量方法

以显著性标志物中的关键点为目标,探讨了一种基于计算机视觉的目标方位测量方法。在光学成像原理基础上,推算出目标二维成像点坐标与其空间三维坐标之间的映射关系,基于计算机视觉理论建立了测量目标方位的数学模型。考虑透镜畸变,基于Zhang平面标定法完成对摄像机参数的标定。对目标二维图像采用Harris算法进行特征角点检测,并通过亚像素技术对检测的目标特征点进行定位。实验结果表明,该方法能够有效提取被测目标特征角点并获取其像素坐标,用于测量目标相对视觉传感器的方位信息可达到较高精度,具备良好的实用价值。     

基于部件模型的无人机系统小样本车辆目标识别方法

对地目标检测与识别是无人机系统典型任务之一,但受限于任务特殊性,往往难以获取足够的目标样本数据以实现高可靠的目标识别。为此,结合人的认知特性,提出一种基于部件模型的小样本车辆目标识别方法,可有效提高无人机感知能力。采用视觉显著性检测与物体性检测相结合的检测方法,提取目标可能区域;采用基于图论的GrabCut方法与最大类间方差法相结合的分割方法,分割目标并提取目标内部件;采用基于概率图模型的部件识别方法,通过将部件轮廓稀疏表示为条件随机场,并进行概率推理实现部件识别;采用基于贝叶斯的目标识别方法完成目标是否为车辆的判断。通过无人机拍摄的车辆图像验证表明,算法可在样本较少、光照变化、存在遮挡等情况下,以较高准确率检测并识别出车辆目标,同时识别算法具有一定可解释性。     

融合地面多传感器信息引导无人机着陆

针对无人机自主着陆过程中卫星导航系统易被干扰的问题,提出了一种基于地基多传感器融合的无人机自主着陆引导方法。采用主动式激光照射的方式,获取机载反射棱镜的近红外成像,在红外图像中对无人机目标进行识别;通过坐标转换将识别结果映射到可见光图像中,在可见光图像中选择的感兴趣区域进行可见光目标识别,从而在降低计算量的基础上获得更加精确的无人机相对角度信息;利用距离测量信息和引导系统角度信息可以获得精确的无人机相对位置。无人机着陆引导试验结果表明,该方法能够提供精确的无人机位置信息,能有效适应于复杂背景下的无人机自主着陆引导。     

旋转弹的双波段图像处理技术研究

旋转弹导引头采用一体化双波段线列探测器扫描成像方案,首先对两个波段图像分别进行预处理,识别出感兴趣的区域,再根据双波段探测器成像方式对图像完成空间配准后,充分利用不同波段的红外成像传感器对同一目标和同一背景的图像信息的互补性和冗余性,对两个波段图像中的信息进行融合处理,大大提高目标和诱饵的检测和识别概率,从而提高整个红外成像系统的抗干扰能力。     

一类基于模型的仿射代数不变量

3D目标的标识别已逐渐成为计算机视觉领域的热点问题.在研究了传统的基于几何不变量和基于3D/2D约束关系两种识别方法的基础上,提出了1类新的空间几何结构模型,并计算出了这类模型3D仿射不变量和其对应的2D仿射不变量之间的约束关系.利用这种关系,可以在目标的姿态和摄像机的参数均未知的情况下,有效利用单幅图像来识别3D目标.     

高炮随动系统性能测量算法

针对火炮调炮精度检测中存在的不足, 提出了一种基于双目立体视觉的三重交会测量方法,在炮身管上附加球状标志物,利用CCD摄像机获取标志物图像,通过标志物成像的几何投影关系计算球心的三维坐标.为了降低图像识别误差的影响,对投影的识别位置进行拓展和细化,并对球心投影边界进行插值,摄像机光心与插值点连线射线形成了一个锥体,两摄像机的锥体分别与炮台球面相交形成曲面,计算两曲面公共部分的形心,即为球心位置.通过确定球心位置,对炮身管的高低角、方位角进行计算,从而检测火炮调炮的性能.实验证明,该算法简单、快速,具有较高的精度.     

基于地基多传感器融合的无人机自主着陆引导方法

针对无人机自主着陆过程中卫星导航系统易被干扰的问题，提出了一种基于地基多传感器融合的无人机自主着陆引导方法。首先采用主动式激光照射的方式，获取机载反射棱镜的近红外成像，在红外图像中对无人机目标进行识别；然后通过坐标转换将识别结果映射到可见光图像中，在可见光图像中选择的感兴趣区域进行可见光目标识别，从而在降低计算量的基础上获得更加精确的无人机相对角度信息；最后利用距离测量信息和引导系统角度信息可以获得精确的无人机相对位置。无人机着陆引导试验结果表明，该方法能够提供精确的无人机位置信息，能有效适应于复杂背景下的无人机自主着陆引导。     

基于直觉模糊对称交互熵C-means聚类的反导目标识别方法研究

在不确定信息反导目标识别的背景下,针对不确定信息处理和现有的基于欧几里得距离的模糊C-means聚类算法的性能问题,首先采用直觉模糊集对其进行描述与分析,同时,将聚类目标函数中的欧几里得距离替换为模糊对称交互熵距离,提出了一种基于直觉模糊对称交互熵C-means聚类(Intuitionistic fuzzy symmetric cross entropy C-means,IFSCECM)算法,通过采用IRIS数据集算例分析对比,证实该算法的可行性和有效性.其次,根据弹道目标识别的特性,将IFSCECM算法应用于反导目标识别中,并采用多特征综合识别方法对来袭弹道目标威胁群进行分类识别研究.最后,通过仿真实验和对比分析表明该反导目标识别方法的可行性、有效性和优越性,具有较高的应用价值.     

三维信息提取系统研究

建立了从两幅图像提取三维信息的数学模型,应用广义逆法,求解三维坐标的超定线性方程组.推导了通过摄像机校准来确定摄像机参数的数学过程.最后通过图像测量实验验证了以上算法的正确性.     

基于AHP-PCR5的多传感器目标识别

目标识别系统中所获得的信息常常是高度冲突和不确定的。基于DSmT理论的多传感器目标识别,可以解决证据高度冲突情况下的信息融合问题。然而由于DSmT理论融合结果分类精细而不利于判决,需要将某些分类结果进行重新分配。层次分析法(AHP)包含不确定知识矩阵,生成基本信度分配函数。基于此提出AHP-PCR5方法进行证据高度冲突情况下多传感器综合目标识别,不仅提高识别精度,降低识别过程的不确定因素,同时引入折扣系数灵活处理识别过程中具有不同可信度的多传感器融合问题。     

干扰条件下空中目标识别方法研究

目标识别是态势评估和威胁估计的基础,是作战指挥辅助决策的重要依据,是防空作战的关键环节之一。该文将雷达信息可信度扩展到传感器信息可信度,并基于扩展内涵的目标识别信息可信度,提出一种应用对空侦察雷达、光学器材、ESM传感器的空中目标识别方法,完成干扰条件下空中目标识别模块的设计。该方法依靠目标识别信息可信度较高的传感器信息来做出全局判决,有助于提高整个系统目标识别的可靠性。     

基于D-S证据理论的多特征数据融合算法

Dempster-Shafer证据理论是不确定推理的一种重要方法,提供了一定程度的不确定性,可以指定给相互重叠或互不相容的命题,然后通过Dempster组合规则将不确定性信息在新证据中进行重新分布,该理论在许多方面都得到了广泛的应用.将来自图像传感器的多种图像特征,通过D-S证据理论将这些特征信息进行融合,并应用于目标的识别.实验结果表明D-S证据理论用于多特征数据融合的目标识别算法是有效的,基于该理论的多特征数据融合具有广阔的应用前景.     

自然场景车标数据集的构建及其应用

车标作为车辆身份的关键特征之一,在车辆的监控与辨识中发挥着重要作用。由于自然场景复杂多变,对其中的车标进行准确识别仍具有很大的挑战性。目前公开数据库很少且存在诸多局限,导致研究缺乏可信度和实用性。本文建立了一个面向自然场景的全新数据集,包含多种采集环境下的10 324幅、67类车辆图像。基于此数据集开展应用研究,提出一个目标检测与深度学习相结合的车标识别方法,包括车标区域定位和车标种类预测两大步骤。实验表明,该方法对复杂背景有较强的适应性,在涉及30种车标的分类任务中达到89.0%的总体识别率。     

一种基于调制谱的空中目标识别方法

雷达目标的微多普勒特征在雷达目标探测与识别中受到越来越多的关注,正在成为目标探测与识别领域的新兴研究方向。介绍了一种基于调制谱的空中目标识别方法,根据空中目标回波、综合时域的幅度信息、时域的相位信息和频域的微多普勒信息,将空中目标分为直升机类目标、螺旋桨类飞机目标和涡扇类飞机目标,利用实测数据对结论进行验证,表明该方法可以用来对这些目标进行分类。     

无人机载激光制导武器系统目标参数测量与分析

在综述无人机载激光制导武器系统目标参数测量系统组成和基本工作过程的基础上,通过分析成像设备的投影变换和逆投影变换的原理,综合激光测距获取的目标距离信息推导计算了目标在摄像机坐标系中的坐标和目标在地球坐标系中的坐标.最后对一组目标参数测量试验数据进行了分析.结果表明计算方法具有较好的准确性和精度.     

一种基于加权DSmT的序列图像目标识别方法

通过对自动目标识别系统研究与分析,将DSmT引入到飞机序列图像识别中,构建基本置信指派及分类规则,提出了一种基于加权DSmT的序列图像目标识别方法,在分析权值选择特点的基础上,根据特征信息的置信指派组合有效权值,并且给出了基于加权DSmT融合规则的序列图像目标识别的流程,仿真结果表明,该方法提高了序列图像目标识别的准确性.     

基于属性散射中心的SAR图像重构及在目标识别中的应用

提出基于属性散射中心重构的合成孔径雷达(SAR)图像目标识别方法.该方法采用邻域匹配算法构建测试图像散射中心集与对应模板散射中心集的对应关系.并分别利用所有的测试散射中心以及匹配的模板散射中心基于属性散射中心模型重构测试图像和模板图像.在此基础上,设计重构图像之间的相似度度量并根据最大相似度的准则判定目标类别.利用MSTAR数据集在多种条件下进行了目标识别实验,验证了所研究方法的有效性.     

基于Dempster组合规则的电子目标识别算法研究

在军事目标识别中,必须综合考虑目标的电磁辐射信息和红外图像信息,并采用有效的识别算法,才能准确识别电子目标。提出了基于Dempster组合规则的电子目标综合识别方法,完成了基于Dempster组合规则的电子目标自动识别综合处理算法研究,并进行了仿真实验,试验结果表明,该算法是可行的。     

多源信息融合和目标综合识别技术

多源信息融合和目标综合识别是为支持作战决策,综合利用计算机、信息处理、人工智能等技术,按照一定准则,对多传感器获得的信息进行综合分析与处理的过程,包括对多源数据进行检测、相关、组合和估计,从而提高状态和身份估计的精度，以对海战场态势和威胁的重要程度进行适时完整的评价。多源信息融合系统中，各种信息源提供的信息可能具有不同的特性一时变的或非时变的、实时的或非实时的、确定的或随机的、     

联合多层次深度特征的SAR图像目标识别方法

提出了联合多层次深度特征的合成孔径雷达(SAR)目标识别方法。采用卷积神经网络(CNN)学习SAR图像的多层次深度特征。多层次的深度特征从不同方面描述原始SAR图像中的目标特性,从而为目标识别提供更充分的决策依据。为了充分发掘不同层次深度特征的独立特性以及它们之间的内在关联,采用联合稀疏表示对多层次的深度特征进行联合分类。根据各层次特征的整体重构误差判定目标类别。采用MSTAR (Moving and Stationary Target Acquisition and Recognition)公共数据集对提出方法进行了性能测试。实验结果表明,该方法的识别性能显著优于现有的SAR目标识别方法。